CN109255676A - 商品推荐方法、装置、计算机设备及存储介质 - Google Patents

商品推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109255676A
CN109255676A CN201810923561.7A CN201810923561A CN109255676A CN 109255676 A CN109255676 A CN 109255676A CN 201810923561 A CN201810923561 A CN 201810923561A CN 109255676 A CN109255676 A CN 109255676A
Authority
CN
China
Prior art keywords
commodity
default
popularity
comment data
preset time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810923561.7A
Other languages
English (en)
Other versions
CN109255676B (zh
Inventor
吴壮伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810923561.7A priority Critical patent/CN109255676B/zh
Publication of CN109255676A publication Critical patent/CN109255676A/zh
Application granted granted Critical
Publication of CN109255676B publication Critical patent/CN109255676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种商品推荐方法、装置、计算机设备及存储介质，该方法包括：从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度；将所述评论数据进行分类以得到正面评论数据；计算所述正面评论数据占所述评论数据的比例；根据所述未来流行度与所述比例向用户推荐商品。本发明实施例根据商品的流行情况以及舆情情况向用户推荐较受欢迎口碑较好的商品，以提高商品推荐的有效性和商品的成交率。

Description

商品推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种商品推荐方法、装置、计算机设备及存储介质。
背景技术
目前的推荐系统大都采用协同过滤方法，该方法是通过计算用户之间的相似度或商品之间的相似度，根据最相似的多个商品或用户进行打分来预测用户对某一商品的评分，按照用户对不同商品的评分进行降序排列，将排在最前面的几个商品推荐给用户。但是这种协同过滤方法对商品的流行性不敏感，即使某个商品的口碑差或在将来一段时间内被用户喜欢的概率很小或流行性很低，但由于相似度大，该商品也可能会被推荐给某些用户，这样，用户就不会购买系统推荐的商品，造成商品的成交率低下，推荐的有效性差。
发明内容
本发明实施例提供了一种商品推荐方法、装置、计算机设备及存储介质，旨在向用户推荐口碑较好的商品，提高商品推荐的有效性。
第一方面，本发明实施例提供了一种商品推荐方法，该方法包括：从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度；将所述评论数据进行分类以得到正面评论数据；计算所述正面评论数据占所述评论数据的比例；根据所述未来流行度与所述比例向用户推荐商品。
第二方面，本发明实施例还提供了一种商品推荐装置，所述商品推荐装置包括用于实现第一方面所述的商品推荐方法的单元。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器，以及与所述存储器相连的处理器；所述存储器用于存储实现商品推荐方法的计算机程序；所述处理器用于运行所述存储器中存储的计算机程序，以执行如上述第一方面所述的方法。
第四方面，本发明实施例提供了一种存储介质，所述存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现上述第一方面所述的方法。
本发明实施例提供了一种商品推荐方法、装置、计算机设备及存储介质，该方法包括：从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度；将所述评论数据进行分类以得到正面评论数据；计算所述正面评论数据占所述评论数据的比例；根据所述未来流行度与所述比例向用户推荐商品。本发明实施例根据商品的流行度以及舆情情况向用户推荐较受欢迎口碑较好的商品，以提高商品推荐的有效性和商品的成交率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种商品推荐方法的流程示意图；
图2是本发明一实施例提供的一种商品推荐方法的子流程示意图；
图3是本发明另一实施例提供的一种商品推荐方法的流程示意图；
图4是本发明另一实施例提供的一种商品推荐方法的子流程示意图；
图5是本发明一实施例提供的一种商品推荐装置的示意性框图；
图6是本发明一实施例提供的一种商品推荐装置的子单元示意性框图；
图7是本发明另一实施例提供的一种商品推荐装置的示意性框图；
图8是本发明另一实施例提供的一种商品推荐装置的子单元示意性框图；
图9是本发明实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
也应当理解，尽管术语第一、第二等可以在此用来描述各种元素，但这些元素不应该受限于这些术语，这些术语仅用来将这些元素彼此区分开。
图1为本发明实施例提供的一种商品推荐方法的流程示意图，该方法可应用于终端，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、等具有通信功能的电子设备。该方法包括步骤S101～S106。
S101、从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据。
我们需要从各大社交平台以及电商平台爬取目前正在销售的商品(即预设商品)的数据，各大社交平台以及电商平台例如包括新浪微博、腾讯微博、天猫商城、京东商城等等，主要爬取的数据包括评论和销量。
第一预设时间为最近的1个月-6个月，在一实施例中，例如本实施例中，第一预设时间为60天，通过分析近期商品的销量以及评论可得到当前比较流行、口碑较好的商品。
在一实施例中，如图2所示，步骤S101包括步骤S1011-S1014：
S1011、获取爬取清单。
爬取清单包括多个预设商品以及爬取每个所述预设商品的评论数据和销售数据对应的预设网站。
工程开发者预先可以设置哪些商品需要在哪些网站上获取数据，给出一个爬取清单，然后保存在终端上，终端需要爬取商品的数据时，根据爬取清单上的网站爬取数据。
S1012、将所述多个预设商品进行分类以得到多种不同的商品类目。
S1013、将所述爬取清单按商品类目进行分割以得到不同商品类目对应的子爬取清单，所述子爬取清单包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络。
通过将预设商品进行分类得到商品对应的商品类目，根据商品类目将爬取清单进行分割成不同商品类目的子爬取清单，每一商品类目的子爬取清单均包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络。
S1014、根据不同商品类目对应的子爬取清单，利用不同的机器在对应的预设网站爬取对应商品类目的预设商品的销售数量和评论数据。
一个的机器爬取一种商品类目中的预设商品的销售数量和评论数据，通过分布式数据爬取可以缩小爬取数据所消耗的时间，提高爬取数据的效率。
S102、根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度。
商品的流行程度对时间比较敏感，在不同的时间段内商品的流行程度是会发生变化的，因此，流行度与时间相关，需要利用一定时间段内的数据计算一个商品的当前流行度。当前流行度指的是一个商品在具体某一天的流行度，但为了预测商品是否可持续，我们往往需要计算某一个商品在一个持续的时间内的流行度，因此，这里计算预设商品在第二预设时间段内的当前流行度指的是计算商品在第二预设时间段内的每一天的流行度。
在一实施例中，具体是根据以下公式计算一预设商品在第二预设时间内每一天的当前流行度：
其中，T为第二预设时间内任意一天的日期，ΔNT,t表示日期为T的一天与日期为t的一天的商品销售数量差值，τ表示预设天数，λ为一预设常数，P(T)表示日期为T当天的当前流行度。
在本实施例中，第二预设时间为最近的30天，τ等于30天，λ等于0.5。
上述公式是根据商品前30天(与T相比)与日期为T当天的销售数量差距来计算T当天的当前流行度，e-λ(T-t)是对T之前任意日期t对T当天的当前流行度的一个加权，表明t与T的时间差距越大，t当天的商品销售数量当前流行度的贡献越小，即过去商品的销售，过去的时间越久，其对当前流行度的贡献越小，因此针对每一天(T不同)都可以计算出商品在该一天的当前流行度。
S103、利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度。
利用已知的数据，通过神经网络模型可以预测未来的数据。例如计算出一商品在以前半年内每一天的当前流行度，将这些当前流行度分为训练集合验证集，通过训练集训练长短期记忆神经网络模型得到预测模型，通过验证集验证预测模型，而后可以通过该预测模型，利用最近N天商品的流行程度预测下一天的流行程度。
在一实施例中，所述第二预设时间为包括今天在内的最近30天，所述第三预设时间包括未来30天，通过预测模型，该最近30天的当前流行度预测预设商品在明天(即第31天)的未来流行度，再结合明天的未来流行度以及过去最近29天的当前流行度预测商品在第32天的未来流行度，每次均通过最近30天的流行度(包括一部分当前流行度以及一部分未来流行度)去预测下一天的未来流行度，直至得到未来30天的未来流行度。
S104、将所述评论数据进行分类以得到正面评论数据。
S105、计算所述正面评论数据占所述评论数据的比例。
通过现有已知正面或负面类型的评论数据样本训练一多层(例如四层)神经网络算法得到一个分类模型后，利用该分类模型将所述预设商品的评论数据进行分类，区分正面评论数据和负面评论数据，而后可计算出正面评论数据占所有评论数据的比例。
需要说明的是，在本发明中，步骤S102-S103与步骤S104-S105在时间上并无必然的先后顺序，步骤S102-S103目的在于计算商品的未来流行度，步骤S104-S105在于计算正面评论数据的比例，二者之间并无联系，因此两个过程独立进行，在时间上并无优先顺序。
S106、根据所述未来流行度与所述比例向用户推荐商品。
对预设商品进行流行趋势分析和舆情正负面分析，挖掘出未来流行度有上升趋势，且正面评论数据比例高(例如比例为90％以上)的商品，这些商品口碑较好且在未来一段时间内比较受欢迎，向用户推荐这些商品，以便提高用户购买商品的概率，提高商品成交率，进而保证商品推荐的有效性。
图3为本发明另一实施例提供的一种商品推荐方法的流程示意图，该方法包括步骤S201～S207。
S201、从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据。
S202、根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度。
S203、利用所述流行度预测所述预设商品在第三预设时间内的未来流行度。
S204、根据所述未来流行度计算所述预设商品在所述第三预设时间内的平均流行度。
通过计算第三预设时间内每一天的未来流行度的平均值得到该平均流行度。
S205、将所述评论数据进行分类以得到正面评论数据。
S206、计算所述正面评论数据占所述评论数据的比例。
在本发明实施例中，步骤S201-S203、S204-S205与上一实施例的步骤S101-S105完全一致，可参考上述实施例的描述，本实施例不做赘述。
S207、根据所述平均流行度与所述比例向用户推荐商品。
在本实施例中，通过分析商品在一段时间内的平均流行度以及舆情正负面请款，挖掘出未来流行度较高，且正面评论数据比例高(例如比例为90％以上)的商品，这些商品在未来一段时间内比较受欢迎，向用户推荐这些商品，以便提高用户购买商品的概率，提高商品成交率，进而保证商品推荐的有效性。
在一实施例中，如图4所示，步骤S207包括步骤S2071-S2074：
S2071、将所有预设商品按平均流行度从高到底进行排序。
S2072、将正面评论数据的比例小于阈值对应的预设商品进行剔除，以得到筛选后的预设商品。
依据平均流行度将预设商品进行降序排列，剔除负面评论数据较多的预设商品，剩下舆情情况为正面的商品。
S2073、获取平均流行度排位在前的预设数量预设商品作为待推荐商品。
S2074、将所述待推荐商品推荐给用户。
将排列在前的预设数量的商品，即最受欢迎评价最好的预设数量商品推荐给用户，其中预设数量为5-20，在一实施例中预设数量取值为10个。
本发明实施例的商品推荐方法，根据商品的流行度以及舆情情况向用户推荐较受欢迎口碑较好的商品，以提高商品推荐的有效性和商品的成交率。
图5为本发明实施例提供的一种商品推荐装置100的示意性框图。该商品推荐装置100包括用于执行上述商品推荐方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。该商品推荐装置100包括爬取单元101、第一计算单元102、预测单元103、分类单元104、第二计算子单元105以及推荐单元106。
爬取单元101用于从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据。
第一计算单元102用于根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度。
预测单元103用于利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度。
分类单元104用于将所述评论数据进行分类以得到正面评论数据。
第二计算子单元105用于计算所述正面评论数据占所述评论数据的比例。
推荐单元106用于根据所述未来流行度与所述比例向用户推荐商品。
在一实施例中，如图6所示，所述爬取单元101包括以下子单元：
第一获取子单元1011，用于获取爬取清单；
第一分类子单元1012，用于将所述多个预设商品进行分类以得到多种不同的商品类目；
分割子单元1013，用于将所述爬取清单按商品类目进行分割以得到不同商品类目对应的子爬取清单，所述子爬取清单包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络；以及
爬取子单元1014，用于根据不同商品类目对应的子爬取清单，利用不同的机器在对应的预设网站爬取对应商品类目的预设商品的销售数量和评论数据。
在一实施例中，所述第一计算单元102具体用于：
根据公式计算所述第二预设时间内的日期为T当天的当前流行度，以得到所述第二预设时间内每一天的当前流行度，其中，ΔNT,t表示日期为T的一天与日期为t的一天的商品销售数量差值，τ表示预设天数，λ为一预设常数，P(T)表示日期为T当天的当前流行度。
上述商品推荐装置100与前述商品推荐方法对应，本实施例中对商品推荐装置100未详尽之处可参考前述方法实施例，此处不做赘述。
上述商品推荐装置100可以实现为一种计算机程序的形式，计算机程序可以在如图9所示的计算机设备上运行。
图7为本发明实施例提供的一种商品推荐装置100的示意性框图，该商品推荐装置100包括爬取单元201、第一计算单元202、预测单元203、第三计算子单元204、分类单元205、第二计算子单元206以及推荐单元207。
爬取单元201用于从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据。
第一计算单元202用于根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度。
预测单元203用于利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度。
第三计算子单元204用于根据所述未来流行度计算所述预设商品在所述第三预设时间内的平均流行度。
分类单元205用于将所述评论数据进行分类以得到正面评论数据。
第二计算子单元206用于计算所述正面评论数据占所述评论数据的比例。
推荐单元207用于根据所述平均流行度与所述比例向用户推荐商品。
在一实施例中，如图8所示，所述推荐单元207包括以下子单元：
排序单元2071，用于将所有预设商品按平均流行度从高到底进行排序；
剔除单元2072，用于将正面评论数据的比例小于阈值对应的预设商品进行剔除，以得到筛选后的预设商品；以及
第二获取子单元2073，用于获取平均流行度排位在前的预设数量预设商品作为待推荐商品；
推荐子单元2074，用于将所述待推荐商品推荐给用户。
上述商品推荐装置100与前述商品推荐方法对应，本实施例中对商品推荐装置100未详尽之处可参考前述方法实施例，此处不做赘述。
上述商品推荐装置100可以实现为一种计算机程序的形式，计算机程序可以在如图9所示的计算机设备上运行。
图9为本发明实施例提供的一种计算机设备300的结构示意性框图。该计算机设备300，该计算机设备300可以是终端，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。
该计算机设备300，包括通过系统总线301连接的处理器302、存储器和网络接口305，其中，存储器可以包括非易失性存储介质303和内存储器304。
该计算机设备300的非易失性存储介质303可存储操作系统3031和计算机程序3032，该计算机程序3032被执行时，可使得处理器302执行一种商品推荐方法。该内存储器304为非易失性存储介质303中的计算机程序3032的运行提供环境。该计算机设备300的处理器302用于提供计算和控制能力，支撑整个计算机设备300的运行。计算机设备300的网络接口305用于进行网络通信，如发送分配的任务、接收数据等。
本领域技术人员可以理解，图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图9所示实施例一致，在此不再赘述。
处理器302运行非易失性存储介质303中的计算机程序3032时，处理器302执行以下步骤：从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；利用所述流行度预测所述预设商品在第三预设时间内的未来流行度；将所述评论数据进行分类以得到正面评论数据；计算所述正面评论数据占所述评论数据的比例；根据所述未来流行度与所述比例向用户推荐商品。
在一实施例中，所述处理器302在执行所述从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据的步骤时，具体执行以下步骤：获取爬取清单；将所述多个预设商品进行分类以得到多种不同的商品类目；将所述爬取清单按商品类目进行分割以得到不同商品类目对应的子爬取清单，所述子爬取清单包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络；根据不同商品类目对应的子爬取清单，利用不同的机器在对应的预设网站爬取对应商品类目的预设商品的销售数量和评论数据。
在一实施例中，所述处理器302在执行所述根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度的步骤时，具体执行以下步骤：根据公式计算所述第二预设时间内的日期为T当天的当前流行度，以得到所述第二预设时间内每一天的当前流行度，其中，ΔNT,t表示日期为T的一天与日期为t的一天的商品销售数量差值，τ表示预设天数，λ为一预设常数，P(T)表示日期为T当天的当前流行度。
在一实施例中，所述处理器302在执行所述根据所述未来流行度与所述比例向用户推荐商品的步骤之前，还执行以下步骤：根据所述未来流行度计算所述预设商品在所述第三预设时间内的平均流行度。
在一实施例中，所述处理器302在执行所述根据所述未来流行度与所述比例向用户推荐商品的步骤时，具体执行以下步骤：根据所述平均流行度与所述比例向用户推荐商品。
在一实施例中，所述处理器302在执行所述根据所述平均流行度与所述比例向用户推荐商品的步骤时，具体执行以下步骤：将所有预设商品按平均流行度从高到底进行排序；将正面评论数据的比例小于阈值对应的预设商品进行剔除，以得到筛选后的预设商品；获取平均流行度排位在前的预设数量预设商品作为待推荐商品；将所述待推荐商品推荐给用户。
应当理解，在本申请实施例中，处理器302可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器302还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质，所述存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，可实现以下步骤：从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；利用所述流行度预测所述预设商品在第三预设时间内的未来流行度；将所述评论数据进行分类以得到正面评论数据；计算所述正面评论数据占所述评论数据的比例；根据所述未来流行度与所述比例向用户推荐商品。
在一实施例中，在实现所述从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据的步骤时，具体实现以下步骤：获取爬取清单；将所述多个预设商品进行分类以得到多种不同的商品类目；将所述爬取清单按商品类目进行分割以得到不同商品类目对应的子爬取清单，所述子爬取清单包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络；根据不同商品类目对应的子爬取清单，利用不同的机器在对应的预设网站爬取对应商品类目的预设商品的销售数量和评论数据。
在一实施例中，在实现所述根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度的步骤时，具体实现以下步骤：
根据公式计算所述第二预设时间内的日期为T当天的当前流行度，以得到所述第二预设时间内每一天的当前流行度，其中，ΔNT,t表示日期为T的一天与日期为t的一天的商品销售数量差值，τ表示预设天数，λ为一预设常数，P(T)表示日期为T当天的当前流行度。
在一实施例中，在实现所述根据所述未来流行度与所述比例向用户推荐商品的步骤之前，还实现以下步骤：根据所述未来流行度计算所述预设商品在所述第三预设时间内的平均流行度。
在一实施例中，在实现所述根据所述未来流行度与所述比例向用户推荐商品的步骤时，具体实现以下步骤：根据所述平均流行度与所述比例向用户推荐商品。
在一实施例中，在实现所述根据所述平均流行度与所述比例向用户推荐商品的步骤时，具体实现以下步骤：将所有预设商品按平均流行度从高到底进行排序；将正面评论数据的比例小于阈值对应的预设商品进行剔除，以得到筛选后的预设商品；获取平均流行度排位在前的预设数量预设商品作为待推荐商品；将所述待推荐商品推荐给用户。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种商品推荐方法，其特征在于，包括：
从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；
根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；
利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度；
将所述评论数据进行分类以得到正面评论数据；
计算所述正面评论数据占所述评论数据的比例；
根据所述未来流行度与所述比例向用户推荐商品。
2.根据权利要求1所述的商品推荐方法，其特征在于，所述从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据，包括：
获取爬取清单；
将所述多个预设商品进行分类以得到多种不同的商品类目；
将所述爬取清单按商品类目进行分割以得到不同商品类目对应的子爬取清单，所述子爬取清单包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络；
根据不同商品类目对应的子爬取清单，利用不同的机器在对应的预设网站爬取对应商品类目的预设商品的销售数量和评论数据。
3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度，包括：
根据公式计算所述第二预设时间内的日期为T当天的当前流行度，以得到所述第二预设时间内每一天的当前流行度，其中，ΔNT,t表示日期为T的一天与日期为t的一天的商品销售数量差值，τ表示预设天数，λ为一预设常数，P(T)表示日期为T当天的当前流行度。
4.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述未来流行度与所述比例向用户推荐商品之前，还包括：
根据所述未来流行度计算所述预设商品在所述第三预设时间内的平均流行度；
所述根据所述未来流行度与所述比例向用户推荐商品，包括：
根据所述平均流行度与所述比例向用户推荐商品。
5.根据权利要求4所述的商品推荐方法，其特征在于，所述根据所述平均流行度与所述比例向用户推荐商品，包括：
将所有预设商品按平均流行度从高到底进行排序；
将正面评论数据的比例小于阈值对应的预设商品进行剔除，以得到筛选后的预设商品；
获取平均流行度排位在前的预设数量预设商品作为待推荐商品；
将所述待推荐商品推荐给用户。
6.一种商品推荐装置，其特征在于，包括：
爬取单元，用于从预设网站爬取预设商品在第一预设时间内的销售数量及评论数据；
第一计算单元，用于根据所述销售数量计算所述预设商品在第二预设时间内的当前流行度；
预测单元，用于利用所述当前流行度预测所述预设商品在第三预设时间内的未来流行度；
分类单元，用于将所述评论数据进行分类以得到正面评论数据；
第二计算子单元，用于计算所述正面评论数据占所述评论数据的比例；
推荐单元，用于根据所述未来流行度与所述比例向用户推荐商品。
7.根据权利要求6所述的商品推荐装置，其特征在于，所述爬取单元，包括：
第一获取子单元，用于获取爬取清单；
第一分类子单元，用于将所述多个预设商品进行分类以得到多种不同的商品类目；
分割子单元，用于将所述爬取清单按商品类目进行分割以得到不同商品类目对应的子爬取清单，所述子爬取清单包括对应商品类目所包含的预设商品及爬取每一所述预设商品的销售数量和评论数据对应的预设网络；
爬取子单元，用于根据不同商品类目对应的子爬取清单，利用不同的机器在对应的预设网站爬取对应商品类目的预设商品的销售数量和评论数据。
8.根据权利要求6所述的商品推荐装置，其特征在于，所述第一计算单元具体用于：
根据公式计算所述第二预设时间内的日期为T当天的当前流行度，以得到所述第二预设时间内每一天的当前流行度，其中，ΔNT,t表示日期为T的一天与日期为t的一天的商品销售数量差值，τ表示预设天数，λ为一预设常数，P(T)表示日期为T当天的当前流行度。
9.一种计算机设备，其特征在于，包括存储器，以及与所述存储器相连的处理器；
所述存储器用于存储实现商品推荐方法的计算机程序；
所述处理器用于运行所述存储器中存储的计算机程序，以执行如权利要求1至5任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现如权利要求1至5任一项所述的方法。
CN201810923561.7A 2018-08-14 2018-08-14 商品推荐方法、装置、计算机设备及存储介质 Active CN109255676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810923561.7A CN109255676B (zh) 2018-08-14 2018-08-14 商品推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810923561.7A CN109255676B (zh) 2018-08-14 2018-08-14 商品推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109255676A true CN109255676A (zh) 2019-01-22
CN109255676B CN109255676B (zh) 2023-04-18

Family

ID=65050124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810923561.7A Active CN109255676B (zh) 2018-08-14 2018-08-14 商品推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109255676B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816495A (zh) * 2019-02-13 2019-05-28 北京达佳互联信息技术有限公司 商品信息推送方法、系统及服务器和存储介质
CN110968670A (zh) * 2019-12-02 2020-04-07 名创优品（横琴）企业管理有限公司 一种流行商品的属性获取方法、装置、设备及存储介质
CN113781116A (zh) * 2021-09-13 2021-12-10 支付宝(杭州)信息技术有限公司 确定文章对产品或服务的影响的方法、系统、装置和介质
CN114519112A (zh) * 2022-01-28 2022-05-20 北京卓越乐享网络科技有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088154A1 (en) * 2008-10-06 2010-04-08 Aditya Vailaya Systems, methods and computer program products for computing and outputting a timeline value, indication of popularity, and recommendation
CN104281890A (zh) * 2014-10-08 2015-01-14 电子科技大学 电子商务系统中预测流行商品的方法和系统
US9639848B1 (en) * 2013-09-16 2017-05-02 Amazon Technologies, Inc. Diffusion prediction based on indicator scoring

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088154A1 (en) * 2008-10-06 2010-04-08 Aditya Vailaya Systems, methods and computer program products for computing and outputting a timeline value, indication of popularity, and recommendation
US9639848B1 (en) * 2013-09-16 2017-05-02 Amazon Technologies, Inc. Diffusion prediction based on indicator scoring
CN104281890A (zh) * 2014-10-08 2015-01-14 电子科技大学 电子商务系统中预测流行商品的方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816495A (zh) * 2019-02-13 2019-05-28 北京达佳互联信息技术有限公司 商品信息推送方法、系统及服务器和存储介质
CN110968670A (zh) * 2019-12-02 2020-04-07 名创优品（横琴）企业管理有限公司 一种流行商品的属性获取方法、装置、设备及存储介质
CN113781116A (zh) * 2021-09-13 2021-12-10 支付宝(杭州)信息技术有限公司 确定文章对产品或服务的影响的方法、系统、装置和介质
CN114519112A (zh) * 2022-01-28 2022-05-20 北京卓越乐享网络科技有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品

Also Published As

Publication number Publication date
CN109255676B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109241415B (zh) 项目推荐方法、装置、计算机设备及存储介质
US10872298B2 (en) Machine learning and prediction using graph communities
KR102408476B1 (ko) 사용자 행동 순서에 기반한 구매 확률 예측 방법 및 이를 위한 장치
CN109102371A (zh) 商品推荐方法、装置、计算机设备及存储介质
CN108885624B (zh) 信息推荐系统及方法
CN109255676A (zh) 商品推荐方法、装置、计算机设备及存储介质
CN105760400B (zh) 一种基于搜索行为的推送消息排序方法及装置
CN110413877A (zh) 一种资源推荐方法、装置及电子设备
US20120035978A1 (en) System for and Method of Determining Relative Value of a Product
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
US20170098269A1 (en) Method for providing necessary information based on chatting documents
CN110246007A (zh) 一种商品推荐方法及装置
CN109299356B (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
CN109165975A (zh) 标签推荐方法、装置、计算机设备及存储介质
CN104951446A (zh) 大数据处理方法及平台
CN111026977B (zh) 信息推荐方法、装置及存储介质
CN105069036A (zh) 一种信息推荐方法及装置
CN111061979B (zh) 一种用户标签的推送方法、装置、电子设备和介质
US20090187559A1 (en) Method of analyzing unstructured documents to predict asset value performance
KR20170134601A (ko) 데이터 처리 방법 및 장치
CN103383702A (zh) 一种基于用户投票排名的个性化新闻推荐的方法及系统
CN111967914A (zh) 基于用户画像的推荐方法、装置、计算机设备和存储介质
CN112149003B (zh) 商品社群推荐方法、装置和计算机设备
KR20140137883A (ko) 카드 사용 정보를 이용한 정보 제공 방법 및 장치
CN109961311A (zh) 客户推荐方法、装置、计算设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant